Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2010

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: microcellular injection moulding process

Sortuj według:

Ogranicz wyniki do:

Optymalizacja i prognozowanie deformacji wyrobów wtryskowych

Frącz W., Trzepieciński T.

Przetwórstwo Tworzyw

2010

[R.] 16, nr 6

292-301

W pracy przedstawiono sposób optymalizacji procesu wtryskiwania w oparciu o metodę Taguchi oraz sposób wykorzystania sztucznych sieci neuronowych (SSN) do prognozowania deformacji wyrobów wtryskowych. Analizy wykonano dla procesu wtryskiwania mikroporującego, jako wstępne badania przed uruchomieniem produkcji wyrobu. Dane uczące dla badanych modeli sieci neuronowych oraz dane dla celów optymalizacyjnych uzyskano z symulacji procesu technologicznego w programie Autodesk Moldflow Insight 2010. Wykonano w praktyce 27 istotnych ewaluacji komputerowych procesu wtryskiwania, przy różnych konfiguracjach parametrów technologicznych. Wyboru konfiguracji parametrów dokonano za pomocą metod planowania czynnikowego z wykorzystaniem planu ortogonalnego typu L27, z 7 czynnikami sterującymi, zmiennymi na 3 poziomach, opracowanego przez G. Taguchi. Ustalono optymalną konfigurację parametrów wtryskiwania. Jako parametry planowania czynnikowego oraz uczące sieci neuronowe zastosowano: temperaturę formy, temperaturę wtrysku, czas wtrysku, czas docisku, ciśnienie docisku, objętość wtryśniętego tworzywa oraz koncentrację środka porującego.

In this work the warpage prediction and optimization of the injection microcellular moulded piece, using CAE simulations results, were developed. The Taguchi method and artificial neural networks (ANN) were used to make this ones. Fill, flow, cool and warpage analyses, using CAE (Autodesk Moldflow MPI 2010) commercial code have done for warpage determination of the plastic part. Process parameters such as mold temperature, melt temperature, packing pressure, packing time, volume filled at start of foaming and initial gas concentration are considered as process variables. The design of experiment (DOE), standard L27 Taguchi orthogonal array with seven, 3-level parameters, and main effect analysis were used to optimize warpage value in the range of analysed process parameters. To predict the warpage values by ANN, the three multilayer perceptrons learned by backpropagation algorithm were used. Finally, results of the prognostic neural models were verified with FEM simulation results. The best results to CAE data were obtained by network model with 12 neurons in hidden layer.